CN111859680A

CN111859680A - 一种系统性能综合评价方法

Info

Publication number: CN111859680A
Application number: CN202010720896.6A
Authority: CN
Inventors: 李建贵; 柯少兴; 朱郭福; 陈豪; 郝诚
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2020-07-24
Filing date: 2020-07-24
Publication date: 2020-10-30

Abstract

本发明属于系统性能评价技术领域，公开了一种系统性能综合评价方法，包括建立系统性能的综合评价层次模型，系统性能的综合评价层次模型包括目标层、准则层、指标层；通过主观赋权法获得至少一个主观指标权重向量，通过客观赋权法获得至少一个客观指标权重向量；采用遗传算法对主观指标权重向量、客观指标权重向量进行综合集成赋权，并获得综合集成赋权向量；结合综合集成赋权向量对TOPSIS模型进行改进，利用改进的TOPSIS模型对系统性能进行综合评价，得到评价信息。本发明解决了现有技术中对系统性能进行综合评价的方法的全面性、准确性、客观性有待提高的问题，本发明具有较好的全面性、较高的准确性和一定的适用性。

Description

一种系统性能综合评价方法

技术领域

本发明涉及系统性能评价技术领域，尤其涉及一种系统性能综合评价方法。

背景技术

随着机电系统技术不断得到产业化发展，机动系统的综合性能调配与评价已成为学者及厂家亟待解决的问题。以车用驱动电机系统为例，作为车用驱动器的重要组成部分，驱动电机系统(包含电机本体和控制器)的性能指标选择、配合和评价受到了新能源汽车厂家的关注。因此，需要一种全面、科学且客观的评价决策方法来对车用驱动电机系统的安全性、可靠性和经济性等进行综合评价。

车用驱动电机系统的综合评价一般可分为三大类，即主观评价、客观评价以及主/客观综合评价。现有技术采用的专家调查法、层次分析法和灰色关联度等方法虽有一定适用性，但在评价过程中主观性较强或定性-定量组合评价未得到应用。此外，对复杂系统从主/客观进行综合评价与决策的现有技术则存在赋权方法单一且缺乏客观性的问题。而且考虑到某些机电系统(例如车用驱动电机系统)具有较强的非线性、时滞性及不确定性，单纯采用基于离差平方和、传统基于加法或乘法合成归一化和基于博弈组合理论等综合集成赋权法，很难保证评价结果全面性、准确性和客观性。

发明内容

本申请实施例通过提供一种系统性能综合评价方法，解决了现有技术中对系统性能进行综合评价的方法的全面性、准确性、客观性有待提高的问题。

本申请实施例提供一种系统性能综合评价方法，包括以下步骤：

步骤1、建立系统性能的综合评价层次模型，所述系统性能的综合评价层次模型包括目标层、准则层、指标层；

步骤2、通过主观赋权法获得至少一个主观指标权重向量，通过客观赋权法获得至少一个客观指标权重向量；

步骤3、采用遗传算法对所述主观指标权重向量、所述客观指标权重向量进行综合集成赋权，并获得综合集成赋权向量；

步骤4、结合所述综合集成赋权向量对TOPSIS模型进行改进，利用改进的TOPSIS模型对系统性能进行综合评价，得到评价信息。

优选的，所述步骤2中，所述主观赋权法采用专家调查法、层次分析法、云模型中的一种或几种的组合；所述客观赋权法采用CRITIC法、熵权法、投影寻踪法、多属性决策评价法中的一种或几种的组合。

优选的，所述步骤3包括以下子步骤：

设置各赋权法所对应的偏好系数；

运用遗传算法以几何距离最小来优化并输出所述偏好系数，获得所述综合集成赋权向量。

优选的，所述步骤3的具体实现方式为：

步骤3.1、初始化参数，包括随机生成规模为N的初始种群P₀，设置交叉概率P_C、变异概率M_u，并进行实数编码；

步骤3.2、设置各赋权法所对应的偏好系数来求解所述综合集成赋权向量；

计算采用如下公式：

式中，j表示各个指标数据量，w_j表示j的综合集成赋权向量，α_j、γ_j表示不同赋权法对应的指标权重向量，a_k表示各赋权法所对应的偏好系数，k＝1,2,……,s；

步骤3.3、根据几何距离最小来确定目标适应度函数，并计算适应度值；

所述目标适应度函数如下式所示：

式中，Best_J表示目标适应度函数；

步骤3.4、进行选择、交叉和变异操作；

步骤3.5、多次迭代循环求取多个所述偏好系数的最优解；

步骤3.6、运用遗传算法优化后的多个所述偏好系数，对各赋权法所确定的指标权重向量进行综合集成赋权，并输出最终的综合集成赋权向量。

优选的，所述步骤4的具体实现方式为：

步骤4.1、进行原始指标数据矩阵的正则化处理，并计算规范决策矩阵；

所述规范决策矩阵如下式所示：

式中，x_ij为第i个评价对象的第j个指标对应的指标值，n_ij表示规范决策矩阵；

步骤4.2、计算加权规范决策矩阵；

加权值的二次规范决策矩阵如下式所示：

式中，w_j为综合集成赋权向量，v_ij表示二次规范决策矩阵；

步骤4.3、确定正理想解和负理想解；

所述正理想解、所述负理想解如下式所示：

A⁺＝{v₁ ⁺,v₂ ⁺,v₃ ⁺,…,v_n ⁺}＝{(maxv_ij|j∈I)，(minv_ij|j∈J)}

A^-＝{v₁ ^-,v₂ ^-,v₃ ^-,…,v_n ^-}＝{(minv_ij|j∈I)，(maxv_ij|j∈J)}

式中，A⁺为正理想解，A^—为负理想解，I为效益型属性，J为成本型属性；

步骤4.4、计算备选方案分别与所述正理想解、所述负理想解的分离度；

计算方法如下式所示：

式中，d_i ⁺为备选方案与正理想解的分离度，d_i ^-为备选方案与负理想解的分离度；

步骤4.5、计算备选方案与所述正理想解的相对接近度；

式中，R_i为备选方案与正理想解的相对接近度；

步骤4.6、根据多个备选方案与正理想解的相对接近度，对多个备选方案进行排序。

优选的，所述步骤2中，采用层次分析法获得第一主观指标权重向量，采用CRITIC法获得第一客观指标权重向量，采用熵权法获得第二客观指标权重向量。

优选的，所述采用层次分析法获得第一主观指标权重向量包括以下子步骤：

根据所述综合评价层次模型，应用层次分析法确定指标评价体系；

所述指标评价体系中采用1-9比率标度法建立各级指标层的权重判断矩阵；

分别计算各权重判断矩阵的特征向量，并将各特征向量经过归一化处理，得到各项指标的权重向量。

优选的，所述采用CRITIC法获得第一客观指标权重向量包括以下子步骤：

(1)对指标数据进行无量纲标准化处理；

对于第i个评价对象的第j个指标对应的指标值x_ij，若某个指标值越大越好，则采用下式：

若某个指标值越小越好，则采样下式：

式中，S_ij为标准化处理值，x_{i_max}、x_{i_min}分别为j指标的最大值、最小值；

(2)计算各指标的标准差σ_j，并根据各指标的标准差得到标准差向量σ；

所述指标的标准差采用下式进行计算：

式中，

为m个备选方案中x_j的平均值，σ_j为指标x_j的标准差；

(3)计算指标i与指标j之间的相关系数，并得到n×n阶相关系数矩阵；

所述指标之间的相关系数采用下式进行计算：

式中，r_ij为指标i与指标j之间的相关系数，S_i、S_j分别为指标i与指标j的值，

与

分别为指标i与指标j的均值；

(4)计算指标的信息量；

所述指标的信息量采用下式进行计算：

式中，Q_j为指标j的信息量；

(5)计算指标的客观权重，并根据各指标的客观权重得到n项指标的权重向量β；

所述指标的客观权重采用下式进行计算：

式中，β_j为指标j权重。

优选的，所述采用熵权法获得第二客观指标权重向量包括以下子步骤：

(1)对各个指标数据进行标准化处理；

式中，i为方案数，j为指标数，x_{i_max}、x_{i_min}分别为j指标的最大值、最小值；

(2)计算各个指标的信息熵；

所述指标的信息熵采用下式进行计算：

式中，E_j表示信息熵，

为j目标下指标中单个数据所占的比重；

(3)计算各个指标的权值；

式中，γ_j表示各个指标的权值，j＝1、2、…、n。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

在本申请实施例中，提供的系统性能综合评价方法包括首先建立系统性能的综合评价层次模型，系统性能的综合评价层次模型包括目标层、准则层、指标层；然后通过主观赋权法获得至少一个主观指标权重向量，通过客观赋权法获得至少一个客观指标权重向量；接着采用遗传算法对主观指标权重向量、客观指标权重向量进行综合集成赋权，并获得综合集成赋权向量；最后结合综合集成赋权向量对TOPSIS模型进行改进，利用改进的TOPSIS模型对系统性能进行综合评价，得到评价信息。本发明首次将遗传算法用于多指标权重向量的偏好系数来进行综合集成赋权，是对不同的指标赋权法的特点进行全方面的信息融合，这也是求取综合集成赋权的一种新思路。本发明提供的系统性能综合评价方法有较好的全面性、较高的准确性和一定的适用性。

附图说明

为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种系统性能综合评价方法的框架示意图；

图2为本发明实施例1中遗传算法优化各权重向量的偏好系数结果图；

图3为本发明实施例1中改进TOPSIS的车用驱动电机系统性能综合评价结果图。

具体实施方式

本发明提供一种系统性能综合评价方法，包括以下步骤：

步骤1、建立系统性能的综合评价层次模型，所述系统性能的综合评价层次模型包括目标层、准则层、指标层。

步骤2、通过主观赋权法获得至少一个主观指标权重向量，通过客观赋权法获得至少一个客观指标权重向量。

其中，所述主观赋权法采用专家调查法、层次分析法、云模型中的一种或几种的组合；所述客观赋权法采用CRITIC法、熵权法、投影寻踪法、多属性决策评价法中的一种或几种的组合。

步骤3、采用遗传算法对所述主观指标权重向量、所述客观指标权重向量进行综合集成赋权，并获得综合集成赋权向量。

具体的，包括设置各赋权法所对应的偏好系数；运用遗传算法以几何距离最小来优化并输出所述偏好系数，获得所述综合集成赋权向量。

下面以采用层次分析法获得第一主观指标权重向量，采用CRITIC法获得第一客观指标权重向量，采用熵权法获得第二客观指标权重向量为例，对具体应用于车用驱动电机系统性能的综合评价方法进行说明。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

实施例1提供一种系统性能综合评价方法，具体应用于车用驱动电机系统，即提供一种车用驱动电机系统性能综合评价方法。

如图1所示，包括建立车用驱动电机系统性能的综合评价层次模型及运用层次分析法(AHP)、CRITIC法和熵权法分别确定各指标权值向量，并应用遗传算法对上述三种主-客观指标权值向量进行综合集成赋权，结合改进TOPSIS模型对车用驱动电机系统性能进行综合评价。具体包括以下几个部分：

1.建立车用驱动电机系统性能的综合评价层次模型，并确定指标集。

本发明根据车用驱动电机的应用特点及与整车循环运行下进行分析电机的控制性能指标、本体设计指标、运行性能指标。为了更加全面对所选取数据样本的不同厂家资质能力指标也进行考虑，如表1所示。

车用驱动电机系统的性能综合评价指标集是本发明最终的评价对象，用U来表示，建立指标因素集；一级指标电机控制性能、本体设计、整车运行、厂家资质作为第一层，其指标集为：U＝(U₁，U₂，U₃，U₄)；二级指标作为最低一层，其指标集为：U₁＝(U₁₁，U₁₂，U₁₃，U₁₄，U₁₅，U₁₆，U₁₇，U₁₈，U₁₉)、U₂＝(U₂₁，U₂₂，U₂₃，U₂₄，U₂₅，U₂₆，U₂₇，U₂₈，U₂₉，U₃₀)、U₃＝(U₃₁，U₃₂，U₃₃，U₃₄)和U₄＝(U₄₁，U₄₂，U₄₃，U₄₄，U₄₅，U₄₆，U₄₇)，如表1所示。

表1车用驱动电机系统性能综合评价层次模型表

2.主客观方法确定指标权重向量。

2.1通过层次分析法确定第一主观指标权重向量。

层次分析法是把决策问题中有着相关关系的元素按照“目标”、“准则”、“方案”等进行层次分层，并对其进行定性和定量两方面的评价分析。其具体实施步骤依次是各级指标的分层、构造判断矩阵、处理数据并检验一致性，至此，即可得指标权重向量。

首先，应用层次分析法确定该指标评价体系，同时采用1-9比率标度法建立各级指标层的权重判断矩阵，参看表2。

表2打分的1-9比率标度表

若是倒数则含义为：在矩阵中A要素对B要素相对重要性值为X，则B要素对A要素相对重要性值为1/X。

其中，各级指标层的权重判断矩阵是采用专家及厂家的调查数据，如表3～7所示。

其次，分别计算各判断矩阵的特征向量，并将各特征向量经过归一化处理后，便可求各项指标的权重向量及其综合权重向量，α为二级指标层各指标因素相对于目标层的综合权重向量。最后各指标层的一致性比例均小于0.1，则说明各层判断矩阵的一致性满足要求。具体的实施如下：

表3一级指标间相对重要性关系

表4电机控制性能二级指标间相对重要性关系

表5本体设计性能二级指标间相对重要性关系

表6整车运行性能二级指标间相对重要性关系

表7厂家资质性能二级指标间相对重要性关系

进一步二级指标权重向量与其对应准则在目标层下的权重向量相乘，可得二级指标在目标层下的第一主观指标权重向量α：

α＝[0.0098，0.0133，0.0099，0.0215，0.0053，0.0087，0.0314，0.0095，0.0200，0.0214，0.0214，0.0239，0.0402，0.0214，0.0505，0.0338，0.0598，0.1027，0.0896，0.0375，0.0264，0.0103，0.0103，0.0593，0.1345，0.0538，0.0103，0.0264，0.0264，0.0103]。

2.2通过CRITIC法确定第一客观指标权重向量。

CRITIC法确定评价指标权重向量是以标准差和指标间的相关系数来综合衡量各指标间的对比度和冲突性。即CRITIC法是以各评价指标间的对比强度及冲突性来确定指标所包含的信息量，从而确定车用驱动电机系统性能的第一客观权重向量β，具体包括以下流程：

流程1：数据标准化。

表1算例中建立的评价指标体系中包含的厂家方案m＝4，二级指标数量n＝30，先运用式(1)和式(2)对指标数据进行无量纲标准化处理。

对于第i个评价对象的第j个指标对应的指标值x_ij，若某个指标值x_ij越大越好，则采用式(1)：

若某个指标值x_ij越小越好，则采用式(2)：

式(1)～式(2)中，S_ij为标准化处理值，x_{i_max}、x_{i_min}分别为j指标的最大值、最小值。

流程2：求各指标的标准差。

单独考虑每个指标j生成的向量，计算各指标的标准差σ_j，并根据各指标的标准差得到标准差向量σ。

所述指标的标准差采用式(3)进行计算：

式(3)中，

为m个备选方案中x_j的平均值，σ_j为指标x_j的标准差。

流程3：计算指标之间的相关系数。

指标之间的相关系数是运用式(4)计算指标i与指标j之间的相关系数，得到n×n阶相关系数矩阵，是可以反映评价指标间相互联系程度的一种系数。

式(4)中，r_ij为指标i与指标j之间的相关系数，S_i、S_j分别为指标i与指标j的值，

与

分别为指标i与指标j的均值。

流程4：确定指标的信息量。

各评价指标的权重可通过评价指标间的对比强度即冲突性来综合确定，指标的信息量计算公式如式(5)所示。

式(5)中，Q_j为指标j的信息量。

流程5：确定指标的客观权重，并根据各指标的客观权重得到n项指标的权重向量β。

指标的客观权重的计算公式如式(6)所示，如下：

式(6)中β_j为指标j权重。

结合具体参数，通过CRITIC法确定指标权重向量包括以下内容。

实施例1借助实际的指标数据样本，采用的数据如表8所示。

表8测试电机的评价指标

需要说明的是，1)电机的控制性能指标为整车系统在试验室台架上额定转速或额定转矩状态下所测试验数据，其中电机温升、控制器温升、可靠性和耐久性指标的试验数据作定量化处理；2)电机的本体设计指标是根据系统的设计参数规格书进行符合度验证然后作定量化数据处理后的数据，其中高(9-8)、中(8-6)和一般(6-1)；3)整车的运行性能指标是指车用驱动电机系统在整体运行过程中高效率工作区域、过载区间和恒功率工作区间等性能测试数据。4)厂家的资质能力指标是先进行厂家现场资质考核评审再作定量化处理后的数据，厂家的资质能力指标的7个子指标满分分别为20、30、20、5、10、10和5，总计100分。

(1)数据标准化

原始数据矩阵即为表8中指标评价值所构成的30×4矩阵(指标数量30×评价对象数量4)。依据式(1)和式(2)，对原始数据进行预处理，再依据式(3)可得如表9标准化矩阵如下：

表9测试电机的标准化矩阵表

(2)CRITIC法确定指标权重

接着按式(4)计算相关系数矩阵，并按式(5)和(6)确定客观权重，计算得二级指标在目标层下的第一客观权重向量β：

β＝[0.0267，0.0406，0.0254，0.0279，0.0343，0.0258，0.0317，0.0365，0.0334，0.0283，0.0283，0.0250，0.0459，0.0380，0.0348，0.0356，0.0290，0.0290，0.0468，0.0288，0.0318，0.0341，0.0348，0.0327，0.0265，0.0250，0.0500，0.0350，0.0429，0.0354]。

2.3通过熵权法确定第二客观指标权重向量。

熵权法是通过车用驱动电机系统性能指标的熵值越小，则指标的样本数据就越有序，样本数据间的差异就越大，对评价对象的区分能力也越大，相应权重也就越大。因此，熵权法是先根据熵值函数求出每个指标的熵值，再将熵值归一化转化为指标权重，具体包括以下流程：

流程1：数据标准化，将各个指标数据标准化处理。

式(7)中i为方案数，j为指标数，x_{i_max}、x_{i_min}分别为j指标的最大值、最小值。

流程2：计算各个指标的信息熵。

式(8)中，E_j表示信息熵，

为j目标下指标中单个数据所占的比重。

流程3：确定各个指标的权值。

式(9)中，γ_j表示各个指标的权值，j＝1,2,3,…,n。

结合具体参数，通过熵权法确定指标权重向量包括以下内容。

(1)数据预处理

原始数据矩阵即为表8中指标评价值所构成的30×4矩阵(指标数量30×评价对象数量4)。依据式(7)对原始数据进行预处理，计算得到标准化矩阵同上如表9所示。

(2)熵权法确定第二客观指标权重向量。

进一步依据式(8)和式(9)可计算所得二级指标在目标层下的第二客观权重向量γ：

γ＝[0.0229，0.0192，0.0197，0.0209，0.0650，0.0209，0.0453，0.0197，0.0467，0.0273，0.0273，0.0184，0.0174，0.0185，0.0838，0.0200，0.0260，0.0260，0.0200，0.0320，0.0273，0.0605，0.0838，0.0231，0.0189，0.0193，0.0209，0.0200，0.0453，0.0838]。

3.综合集成赋权向量。

在前述获得的主-客观权重向量基础上应用遗传算法来优化偏好系数，从而对三种不同的权重向量进行综合集成赋权；每一种权重赋权法都有各自的特点，但传统的基于离差平方和、基于加法或乘法合成归一化和基于博弈组合理论等综合集成赋权法，很难保证评价结果的全面性、准确性和客观性。因此，本发明应用遗传算法对上述三种不同权重向量值进行优化综合集成赋权，设置各赋权法所对应的偏好系数a_k(k＝1,2,3)，并采取基于几何距离最小化作为适应度函数Best_J，最终将优化后权重向量值结合改进TOPSIS模型对车用驱动电机系统性能指标进行综合评价。

结合具体参数，综合集成赋权向量包括以下内容。

(1)权重向量组。

各指标赋权所采用的方法单一且片面，无法囊括车用驱动电机系统综合评价的整个信息量，故本发明所采取的多种权重赋权法，然后运用遗传算法进行综合集成赋权，如表10所示。

表10各指标综合赋权表

(2)基于遗传算法优化的偏好系数。

实施例1采取主/客观如层次分析法、CRITIC法和熵权法三种方法为案例进行计算30个指标权重，依次设置各赋权方法所对应的偏好系数a_k(k＝1,2,3)进行权重向量信息融合，并运用遗传算法以几何距离最小来优化各赋权方法的偏好系数并最终输出结果，如图2所示。

具体的，综合集成赋权向量值的流程如下：

Step 1：初始化参数，包括随机生成规模为N的初始种群P₀，以及设置交叉概率P_C、变异概率M_u，并进行实数编码。

具体参数设置为：P₀＝30，P_C＝0.9，变异概率M_u采取自适应变异计算M_u＝0.1－0.1[1:1：P₀]/P₀，迭代次数为200。

Step 2：设置各个指标权重向量所对应的偏好系数来求解所述综合集成赋权向量；计算采用式(10)：

式(10)中，j表示各个指标数据量，w_j表示j的综合集成赋权向量，α_j、γ_j表示不同赋权法对应的指标权重向量，a_k表示各指标权重向量对应的偏好系数，k＝1,2,……,s；

Step 3：根据几何距离最小来确定目标适应度函数，并计算适应度值。

目标适应度函数如式(11)所示：

式(11)中，Best_J表示目标适应度函数。

Step 4：进行选择、交叉和变异操作。

Step 5：多次迭代循环求取三个偏好系数的最优解。

Step 6：运用遗传算法优化后的三个偏好系数a_k(k＝1,2,3)，对三种赋权法所确定的指标权重向量进行综合集成赋权，并输出最终的综合集成赋权向量。

最终赋权方法的偏好系数为[a₁，a₂，a₃]＝[0.4651，0.0104，0.5245]，遗传算法结果输出图。如图2所示。

4.基于改进TOPSIS的车用电机驱动系统性能综合评价。

在前述研究基础上，结合综合集成赋权对TOPSIS模型进行改进，从而实现对车用驱动电机系统性能的综合评价。

所述改进的TOPSIS模型，是遗传算法优化后的综合集成赋权向量并作出相应的评价决策，具体的流程如下：

流程1：原始指标数据矩阵的正则化处理，并计算规范决策矩阵，如式(12)所示。

式(12)中，x_ij为第i个评价对象的第j个指标对应的指标值，n_ij表示规范决策矩阵。

流程2：计算加权规范决策矩阵。其加权值的二次规范决策矩阵如式(13)所示。

式(13)中，w_j为综合集成赋权向量，v_ij表示二次规范决策矩阵。

流程3：确定正理想解和负理想解，如式(14)所示。

式(14)中，A⁺为正理想解，A^—为负理想解，I为效益型属性，J为成本型属性。

流程4：计算某个方案与正理想解和负理想解的分离度，如式(15)所示。

式(15)中，d_i ⁺为备选方案与正理想解的分离度，d_i ^-为备选方案与负理想解的分离度。

流程5：计算备选方案与正理想解的相对接近度，并对厂家方案进行排序。

式(16)中，R_i为备选方案与正理想解的相对接近度。

即该方法是将原始数据矩阵正向化处理得到正则化矩阵，再对正则化矩阵进行标准化处理以消除各指标量纲的影响，并结合前述综合权重找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。

结合具体参数，基于改进TOPSIS的车用电机驱动系统性能综合评价包括以下内容。

(1)数据正则化

原始数据矩阵即为表8中指标评价值所构成的30×4矩阵(指标数量30×评价对象数量4)。针对车用驱动电机系统的不同性能指标变化方向不一致，如电机高效率区域、电机最高效率、转矩外特性曲线等为效益型(越大越好)，如转矩控制精度、转速控制精度、转矩稳定性、电机成本等为成本型(越小越好)，如电机温升、过载能力、转速范围等为区间型(在合适区间内较为妥当)。然而，这些指标变化方向不一致，与所决策的目标变化方向不一。因此，需要依据式(1)、式(2)及式(7)对原始数据进行正则化处理，如表11所示。

表11测试电机的正则化矩阵表

(2)构造加权的规范化矩阵并确定正/负理想解。

结合所确定权值向量，并根据式(12)和式(13)将上述规范化矩阵进行加权重新构造二次规范化矩阵，接着依据式(14)确定各指标的最大/最小为理想的正/负解。

正理想解A⁺＝[0.0096，0.0086，0.0109，0.0174，0.0200，0.0125，0.0346，0.0112，0.0313，0.0139，0.0139，0.0135，0.0163，0.0113，0.0369，0.0188，0.0272，0.0402，0.0351，0.0179，0.0144，0.0202，0.0350，0.0213，0.0385，0.0199，0.0100，0.0127，0.0327，0.0287]；

负理想解A^—＝[0.0071，0.0081，0，0，0.0178，0，0，0，0，0.0100，0.0100，0，0，0.0080，0.0329，0，0.0151，0.0223，0，0.0169，0.0126，0.0177，0.0199，0.0181，0.0321，0.0149，0.0060，0.0095，0，0.0230]。

(3)计算某个方案与正/负理想解的相对贴近度，对厂家方案进行排序。

依据式(15)及式(16)分别计算某个方案与正/负理想解的贴近度和相对贴近度，如表12所示。d_i ⁺＝[0.0636，0.0614，0.0330，0.0640]；d_i ^-＝[0.0442，0.0380，0.0741，0.0466]。

表12厂家方案与正理想解的相对贴近度

结果分析表明，C>D>A>B，C(丙)方案最优，且在主观评价中层次分析法下认为厂家资质的质量保障能力较为重要，而客观评价中CRITIC法认为厂家资质的人力资源管理较为重要，熵权法则认为本体设计指标的恒功率区域较为重要，多种评价决策方案最终运用遗传优化算法进行全面的信息融合，最终运行结果图，如图3所示。

综上，本发明为保证车用驱动电机系统应用最优化从电机的控制性能、本体设计、整车运行和厂家资质4个层面30个指标建立车用驱动电机系统性能的综合评价层次模型，紧接着采用层次分析法(AHP)、CRITIC法和熵权法(EWM)分别计算各指标的主/客观权值向量，然后应用遗传算法对多权值向量进行综合集成赋权的优化。最后将优化的权重向量结合改进TOPSIS模型下对车用驱动电机系统性能进行综合评价并决策。算例结果表明，本发明所建立的车用驱动电机系统性能综合评价方法有较好的全面性、较高的准确性和一定的适用性。

本发明实施例提供的一种系统性能综合评价方法至少包括如下技术效果：

(1)本发明首次将遗传算法用于各赋权法的偏好系数来进行综合集成赋权，是对不同指标赋权法的特点进行全方面的信息融合，这也是求取综合集成赋权的一种新思路。

(2)本发明是基于计算机的数值技术进行确定各赋权法的偏好系数，可以实现针对多种权重赋权难以计算的问题。

(3)针对车用驱动电机系统性能的实际情况，本发明从四个方面进行搭建层次结构模型，并结合多种主客观指标评价方法进行综合评价。这样既避免了人为主观判断，也减少了对指标数据准确性的强依赖性。

(4)本发明为车用驱动电机系统性能指标的综合评价提供一定的应用价值，本算例验证中所采取的三种方法，也可以采取多种赋权方法来进行综合集成赋权，这种综合集成赋权优化是基于计算机的数值计算技术，运算准确且高效。

(5)本发明采取多要素评价指标赋权综合评价方法不仅适用车用驱动电机系统，也可在其他多要素复杂系统评价领域得到一定的应用。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。